利用图像衍生注释的潜在扩散模型增强组织病理学中的AI辅助癌症诊断
计算机视觉与模式识别
2024-07-09 v1 人工智能
机器学习
摘要
基于人工智能（AI）的图像分析在支持诊断组织病理学（包括癌症诊断）方面具有巨大潜力。然而，开发有监督的AI方法需要大规模标注数据集。一种潜在的强大解决方案是用合成数据增强训练数据。能够生成高质量、多样化合成图像的潜在扩散模型极具前景。然而，最常见的实现依赖于详细的文本描述，而这些描述在该领域通常无法获取。这项工作提出了一种从自动提取的图像特征构建结构化文本提示的方法。我们在PCam数据集上进行了实验，该数据集由仅被粗略标注为健康或癌变的组织切片组成。我们表明，在提示中包含图像衍生特征，而非仅包含健康和癌变标签，可将Fréchet Inception Distance（FID）从178.8改善至90.2。我们还表明，病理学家发现检测合成图像具有挑战性，其中位数敏感度/特异度为0.55/0.55。最后，我们表明合成数据能有效训练AI模型。
引用
@article{arxiv.2312.09792,
title = {Latent Diffusion Models with Image-Derived Annotations for Enhanced AI-Assisted Cancer Diagnosis in Histopathology},
author = {Pedro Osorio and Guillermo Jimenez-Perez and Javier Montalt-Tordera and Jens Hooge and Guillem Duran-Ballester and Shivam Singh and Moritz Radbruch and Ute Bach and Sabrina Schroeder and Krystyna Siudak and Julia Vienenkoetter and Bettina Lawrenz and Sadegh Mohammadi},
journal= {arXiv preprint arXiv:2312.09792},
year = {2024}
}